6.1
6.2
（a）不能需要的其它信息可以是闭频繁项集，算法可以参照6.1
（b）项集X是闭项集，如果不存在真超项集Y，使得Y与X具有相同的支持度计数；而如果项集X是生成元，如果不存在其真子集Y，使得Y与X具有相同的支持度计数。可见，闭项集考察的是真超项集，生成元考察的是真子集；闭频繁项集包含了关于频繁项集的完整信息，而频繁生成元集并不包含对应的频繁项集的完整支持度信息。
6.3
（a）设s是一个频繁项集，min_sup是（相对）最小支持度阈值，任务相关的数据D是数据库事务的集合，|D|是D中的事务数量，则support_count(s)>=min_sup*|D|；再设s’是s的非空子集，则任何包含项集s的事务将同样包含项集s’，即support_count(s’)≥support_count(s) ≥min_sup*|D|，所以s’也是一个频繁项集。
（b）设任务相关的数据D是数据库事务的集合，|D|是D的事务量，由定义得：
support(s)=support_count(s)/|D|
设s’是s的非空子集，由定义得：support(s’)=support_count(s’)/|D|
由(a)可知：support(s’)≥support(s)
由此证明，项集s的任意非空子集s’的至少和s的支持度一样大。
（c）设s是l的子集，则confidence(s=>(l-s))=support(l)/support(s)
设s’是s的非空子集，则confidence(s’=>(l-s’))=support(l)/support(s’)
由(b)可知：support_count(s’)≥support_count(s)，此外，confidence((s’)=>(l-s’))≤confidence((s)=>(l-s))
所以，规则”s’=>(l-s’)”的置信度不可能大于”s=>(l-s)”
（d）证明：假设频繁项集F在事务数据库D中的任何一个分区中都是非频繁的。令C表示D中的所有事务量；令A表示D中包含频繁模式F的事务量，令min_sup表示最小支持度阈值，令d1,d2,..,dn表示D的n个不重叠的分区，ci表示分区di中的事务总数，ai表示分区di中包含F的事务数。所以，C=c1+c2+..+cn,A=a1+a2+..+an。因为F是一个频繁项集，所以A>=C*min_sup，即（a1+a2+..+an）>=（c1+c2+...+cn）*min_sup。又因为F在每个分区中都是不频繁的，所以对于任意i,ai=（c1+c2+...+cn）*min_sup）矛盾。所以得到：D中频繁的项集至少在D的一个分区中是频繁的。
6.4
6.5
图5.1给出了一种从频繁项集产生强关联规则的算法，它比6.2.2节介绍的方法更加高效是因为它只生成且测试必要的子集。如果一个长度为k的子集x不满足最低可信度，那么就没有意义的生成它的非空子集，因为这些子集的置信度将永远不会大于x的置信度（参照习题6.3（b）6.3（c））。然而，如果x满足最低可信度，那么我们就生成且测试他的(k-1)子集，使用这个标准，我们从n项集的(n-1)子集逐渐到1子集。从另一方面讲，6.2.2中的方法是一个强力的方法，生成频繁项集L的所有非空子集，然后测试他们是否存在潜在的关联规则。这是不高效的，因为会产生很多不必要的子集。如果我们考虑最糟的情况，有k-项集b，k是个很大的数。假设没有b的(k-1)子集满足最小置信度，6.2.2中的方法仍然会不必要的生成所有非空子集且测试。新方法则不同，他会只生成b的(k-1)子集，确定没有规则满足最小置信度，会避免生成和测试更多的子集，从而节省大量不必要的计算。
6.6
（a）Apriori
FP-growth:
有效性比较：Apriori需要多次扫描数据库而FP增长建立FP树只需一次的扫描。在Apriori算法中产生候选是昂贵的（由于联接），而FP增长不产生任何候选。
（b）k,o→e[0.6,1]e,o→k[0.6,1]
6.8
（a）K=3,频繁3项集是{Bread,Milk,Cheese}。关联规则是：
K=3，频繁3-项集是{Bread,Milk,Cheese}
关联规则是：
Bread^Cheese=>Milk,[75%,100%]
Cheese^Milk=>Bread,[75%,100%]
Cheese=>Milk^Bread,[75%,100%]
（b）K=3，频繁3-项集是{（Wonder-Bread,Dairyland-Milk,Tasty-Pie），（Wonder-Bread,Sunset-Milk,Dairyland-Cheese）}
6.14
（a）根据规则，support=2000/5000=40%,confidence=2000/3000=66.7%
该规则是强规则。
（b）corr{hotdog,hamburger}=P({hotdog,hamburger})/(P{hotdog})P({hamburger})=0.4/(0.5*0.6)=1.33>1,所以，买hotdog不是独立于买hamburger。两者存在正相关关系。
（c）全置信度为：2/3
最大置信度为：0.8
Kulczynski为：11/15
余弦：（8/15）^(1/2)
提升度：4/3
相关度：833.33
比较：就此数据而言，全置信度，最大置信度，Kulczynski,余弦的值（均小于1）与提升度，相关度（均大于1）的值存在明显差异；四个新的度量显示两种产品存在正相关，与提升度和相关度的分析结果相同。